基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型, 基础模型, 具身智能 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报, 2025, 51(1): 1−19 DOI 10.16383/j.aas.c240542 CSTR 32138.14.j.aas.c240542 Embodied Intelligence Systems Based on Large Models:

Deepseek 大模型在银行系统的部署 方案设计 目 录 1. 项目概述.......................................................................................................6 1.1 项目背景.......................................... ............................................................................................21 3. 系统架构设计..............................................................................................23 .........................................................................................46 5.3 模型优化.............................................................................................49 5.4

浙江大学 DeepSeek 系列专题线上公开课（第二季） 从大模型、智能体到复杂 AI 应用系统的构 建 —— 以产业大脑为例 肖俊 浙江大学计算机学科与技术学院人工智能研究所 2025 03 杭州 • 大模型推理能力快速提 升 • 推理模型和思维链 (CoT) • 智能体是什么？ • 四链融合产业大脑案例 提纲 大模型推理能力快速提升 开始模仿人 脑进行大量 数据的标记 Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的 推 理系统 " 、 " 下一个词预测框架不足以产生真正的理解 " Yann LeCun ： 自回归大型语言模型没有前途 Apple 提出 LLM 并非真正的推理系统 怀疑论 2023-2024 年，推理能力突破性进展： • OpenAI 推理大模型的发展 Claude3.7 是 首 个混合推理 模 型，集普 通语 言模型 和推理 模型 于一体的 混 合模型。 OpenAI o1 是专注于复杂推理任务， 通过深度思考和策略优化来解决问题。 2024.09 2024.11 2025.1 2025.2 2025.2 o1/o3 在回答问题之前先 Reasoning ， 生成一个详细的内部思维链 ， 模 拟人类的深思熟虑

智能对话系统中的个性化 胡一川 来也联合创始人 &CTO . 2000-2007 ：清华大学本硕 . 2008-2011 ：宾夕法尼亚大学博 士 . 2011-2012 ：今晚看啥联合创 始人 . 2013-2015 ：百度资深架构 师 . 2015 至今：来也联合创始人 &CTO 个人简介 胡—川 让每个人拥有助理 六百万用户正在使用的对话式在线个人助理服务 • 理解 准确率，人效优化 60% • 2-3 倍的销售转化率提升 来也专注于智能对话技术 2 、用对话机器人 替代人工 . 在线客服 . 智能 IVR . 智能外呼 3 、用对话机器人 提升效率和体验 . 智能营销 . 智能推荐 . 智能下单 1 、自然对话是唯 一的交互方式 . 车载 . 智能音箱 . 可穿戴设备 适合智能对话系统的场景 Adaboost • 神经网络模型 • LSTM • CNN • fastText 知识库 分类 2 基于分类模型的问答系统 分类器 分类 1 分类 3 训练分类器 分类结果 用户问题 • 检索 • 以知识库中的问题为粒度建立索引，每 个 问题都对应一个知识点 • 对用户问题进行分词、去停用词、同义

项目编号： AI 大模型人工智能数据训练考评系统 建 设 方 案 目 录 1. 项目背景与目标............................................................................................6 1.1 项目背景....................................... 1.3 项目范围与约束..................................................................................10 2. 系统需求分析..............................................................................................12 ......................................28 3. 系统架构设计..............................................................................................30 3.1 系统总体架构.........................................

.............................................................................................32 4. 系统集成与 API 设计......................................................................................... ...........................................................................................33 4.2 系统架构................................................................................................. .......................................................................................59 7.2 用户体验优化...................................................................................................

3.4 云计算平台选择..................................................................................29 4. 系统架构设计..............................................................................................30 前端功能实现......................................................................................71 7.4 前端性能优化......................................................................................73 8. 后端开发.. 后端功能实现......................................................................................78 8.3 后端性能优化......................................................................................80 8.4 安全性设计

......10 2. AI 大模型在城市轨道交通的应用场景........................................................12 2.1 运输调度优化......................................................................................14 2.1.1 实时数据分析与决策支持 2.2 设备故障预测与维护...........................................................................20 2.2.1 监测系统的构建.........................................................................22 2.2.2 故障模式识别与预警.... 1 虚拟客服助手.............................................................................27 2.3.2 智能问答系统.............................................................................29 3. AI 大模型的数据需求与获取.

数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 • 预期效益与 ROI 分析 • 组织能力与人才建设 • 未来演进与持续创新 01 大模型技术为金融业带来前 所未有的变革机遇，通过提 升数据处理能力、优化决策 流程和创新服务模式，助力 银行实现数字化转型。 大模型能够快速分析海量数据，识别潜在风险，提升 银行风险管理的精准性和效率。 辅助风险管理 通过大模型技术，银行可以更高效地评估客户信用状况， 缩短信贷审批周期，提升客户体验。 优化信贷审批 大模型为银行提供智能化的业务解决方案，支持个性 化产品设计和精准营销，增强市场竞争力。 IT 系统的高效协同。 • 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需